目录

1、需要哪些数据？

2、数据如何存储？

3、数据清洗（数据预处理）

3.1 文本数据转换为数值型数据 

3.2 缺省值填充 

3.3 哑编码（onehotencoder要求数据类型是数值） 

​ 3.4 二值化

3.5 标准化 

​ 3.6 多项式拓展​​

​ 4、特征选择​

​ 4.1 filter

4.1.1 方差选择法​

4.1.2 相关系数法

​ 4.1.3 卡方检验（要求特征属性非负）--只能用最大最小缩放（0，1）​

4.2 wrapper

  4.2.1递归特征消除法

​  4.3 embeded

4.3.1 基于惩罚项的特征选择

5、降维

5.1 PCA 

5.2 LDA(线性判别)

1、需要哪些数据？

1）业务分析：基于对业务规则的理解，尽可能多的找出对因变量影响较大的自变量数据

2）数据可用性评估：数据获取之前，先考虑获取成本；获取到数据之后，使用数据之前，考虑下这个数据是否覆盖了所有情况及数据的可信度。

2、数据如何存储？

3、数据清洗（数据预处理）

样本不均衡：给样本赋予权重   （参数： class_weight 分类）

采样

3.1 文本数据转换为数值型数据 

3.2 缺省值填充 

3.3 哑编码（onehotencoder要求数据类型是数值） 

 3.4 二值化

1、一般情况下，对每个特征使用不同的阈值进行二值化操作，所以一般我们会拆分几个DataFrame进行二值化操作后，再进行合并。

2、一般情况下，我们对数据进行划分时，不是进行二值化，而是进行多值化（分区化/分桶化）：即将一个连续的数据，按照不同的取值范围，分为不同的级别。比如：在一个模型中，根据人的收入判断工作年限，可能会得到因变量的因素其实是区间划分后的收入情况。那么这时候可以基于业务特征，将收入划分为收入等级，比如：1w: 0; 1w-2w: 1; 2w-3w: 2; 3w+ :3(不要对数据做哑码，因为这里的0 1 2 3有不同的等级）

3.5 标准化 

标准化的目的：降低不同特征的不同范围的取值对于模型训练的影响

 3.6 多项式拓展

 4、特征选择

 4.1 filter

4.1.1 方差选择法

4.1.2 相关系数法

 4.1.3 卡方检验（要求特征属性非负）--只能用最大最小缩放（0，1）

4.2 wrapper

  4.2.1递归特征消除法

1）极模型；2）选择几个特征；3）每一次删除几个特征

  4.3 embeded

4.3.1 基于惩罚项的特征选择

4.3.2 基于树模型的特征选择 

5、降维

5.1 PCA 

数据0中心化后， (X * X转置) /n 等于协方差矩阵。

矩阵分解 (特征值/奇异值分解+SVD+解齐次/非齐次线性方程组)

5.2 LDA(线性判别)

使用sklearn做单机特征工程